CN113408123B - 台风涡旋初始风场优化方法、系统及存储介质 - Google Patents

台风涡旋初始风场优化方法、系统及存储介质 Download PDF

Info

Publication number
CN113408123B
CN113408123B CN202110664499.6A CN202110664499A CN113408123B CN 113408123 B CN113408123 B CN 113408123B CN 202110664499 A CN202110664499 A CN 202110664499A CN 113408123 B CN113408123 B CN 113408123B
Authority
CN
China
Prior art keywords
vortex
grid
time
typhoon
wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110664499.6A
Other languages
English (en)
Other versions
CN113408123A (zh
Inventor
冯涛
蔡泽林
郭俊
李丽
邸悦伦
叶钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Disaster Prevention and Mitigation Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110664499.6A priority Critical patent/CN113408123B/zh
Publication of CN113408123A publication Critical patent/CN113408123A/zh
Application granted granted Critical
Publication of CN113408123B publication Critical patent/CN113408123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)

Abstract

本发明公开了台风涡旋初始风场优化方法、系统及存储介质，通过分别获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列以及风向矢量矩阵序列；计算流线方向矢量矩阵序列与风向矢量矩阵序列的叉乘值，判断叉乘值在连续一段时间T内是否随着时间逐渐变小，若叉乘值在连续一段时间T内未随着时间逐渐变小，则对连续一段时间T的风速值进行调整；相比现有技术，本发明通过提取台风的台风螺旋特征约束现有的数值仿真的台风预测方法，从而实现台风初始场的优化计算，降低台风预测的不确定性，提高台风预测精度。

Description

台风涡旋初始风场优化方法、系统及存储介质
技术领域
本发明涉及台风预测技术领域，尤其涉及台风涡旋初始风场优化方法、系统及存储介质。
背景技术
登陆台风对电网打击具有破坏性，导致金具损坏、杆塔折断，引发大面积停电，危害巨大。准确预测台风位置和强度，对于电网防台具有重要价值。
开展台风预测，首先是要确定台风的初始位置和强度。由于台风往往生成在海洋上，观测数据稀缺。目前对于台风的定位计算主要依靠卫星监测数据，但卫星监测往往对台风特征明显的涡旋具有较好的监测能力，但对于台风眼不明显等台风特征弱的涡旋，其定位计算偏差大，而直接采用数值仿真的方法，直接预测台风，由于缺乏观测数据，计算偏差大，导致后期预报效果不佳。
因此，现有的数值仿真的台风预测方法准确度低已成为本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了台风涡旋初始风场优化方法、系统及存储介质，用于解决有的数值仿真的台风预测方法准确度低的技术问题。
为解决上述技术问题，本发明提出的技术方案为：
一种台风涡旋初始风场优化方法，包括以下步骤：
分别获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列以及风向矢量矩阵序列；
计算流线方向矢量矩阵序列与风向矢量矩阵序列的叉乘值，判断叉乘值在连续一段时间T内是否随着时间逐渐变小，若叉乘值在连续一段时间T内未随着时间逐渐变小，则对连续一段时间T的风速值进行调整。
优选的，获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列，包括以下步骤：
获取连续一段时间T内每个时刻的涡旋遥感图像，并构建每个时刻的涡旋遥感图像中涡旋区域的流线方向矢量矩阵，基于每个时刻的涡旋遥感图像中涡旋区域的流线方向矢量矩阵构建连续一段时间T内的流线方向矢量矩阵序列{Di}，其中，Di为连续一段时间T内任意第i时刻的任意涡旋遥感图像pi内涡旋区域的流线方向矢量矩阵，i＝1,2,3...,L,L为连续一段时间T的时刻总数。
优选的，流线方向矢量矩阵Di通过以下步骤获取得到：
从涡旋遥感图像pi中提取涡旋区域mi，对涡旋区域mi进行网格划分，以亮温值为变量，分别提取涡旋区域mi内每一网格的流线场；
判断每一网格是否在与其对应的流线场上，若在，将在对应流线场上的网格的流线矢量赋值为对应的流线场方向，若不在，则将不在对应流线场上的网格的流线矢量赋值为0；
基于涡旋区域mi内的每一网格的流线场方向，构建涡旋区域mi的流线方向矢量矩阵Di。
优选的，获取待优化台风连续一段时间T内涡旋区域的风向矢量矩阵序列，包括以下步骤：
获取连续一段时间T内每个时刻的涡旋遥感图像及对应的初始风场数据；
基于每一时刻的涡旋遥感图像对应的初始风场数据，分别构建每一时刻的涡旋遥感图像内涡旋区域的风向矢量矩阵，基于每一时刻的涡旋遥感图像内涡旋区域的风向矢量矩阵构建连续一段时间T内的风向矢量矩阵序列{Wi}，Wi为连续一段时间T内任意第i时刻的任意涡旋遥感图像pi的涡旋区域的风向矢量矩阵，i＝1,2,3...,L,L为连续一段时间T的时刻总数。
优选的，连续一段时间T内任意第i时刻的任意涡旋遥感图像pi的涡旋区域的风向矢量矩阵Wi，通过以下步骤获取得到：
从涡旋遥感图像pi中提取涡旋区域mi，对涡旋区域mi进行网格划分；
基于每一网格对应的初始风场数据计算每一网格对应的风向矢量；
基于涡旋区域mi内的每一网格的风向矢量，构建涡旋区域mi的风向矢量矩阵Wi。
优选的，则对连续一段时间T的风速值进行调整，包括以下步骤：
从连续一段时间T内选取所有叉乘值斜率大于0时刻对应的风速值作为备选调整风速值，按时刻顺序从早到晚依次选取备选调整风速值进行逐一调整，并在每次调整后更新调整后的连续一段时间T的叉乘值，若更新后的叉乘值在连续一段时间T内随着时间逐渐变小，则停止后续时刻的风速值调整。
优选的，对于任意第j时刻的风速值的调整，包括以下步骤：
对于第j时刻的流线方向矢量矩阵Dj，分别计算流线方向矢量矩阵Dj中每个流线方向矢量不为0的网格的流线方向矢量与风向矢量之间的方向差；
对每个流线方向矢量不为0的网格的方向差按从大到小进行排序，选取排序靠前的、预设比例的网格风速值进行调整。
优选的，对于任意需调整的网风速值的网格，均执行以下步骤：
分别计算所述网格南北方向的风速值u(k,f)和东西方向的风速值v(k,f)，按照所述网格的风向对所述网格南北方向的风速值u(k,f)和东西方向的风速值v(k,f)进行调整，直至所述南北方向u(k,f)和东西方向的风速v(k,f)满足与其周围网格之间的风速调整方差和最小；
其中，Luv计算公式如下：
Figure BDA0003116763040000031
其中，Luv为风速调整方差和，α为所述网格与周围网格之间的第一个坐标差值，β为所述网格与周围网格之间的第二坐标差值，u(k,f)为所述网格南北方向的风速值，u(k+α,f+β)为所述网格周围网格的南北方向的风速值,v(k,f)为所述网格东西方向的风速值，v(k+α，f+β)为所述网格周围网格的东西方向的风速值。
一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
一种计算机存储介质，其上存储有计算机程序，程序被处理器执行时实现上述方法中的步骤。
本发明具有以下有益效果：
1、本发明中的台风涡旋初始风场优化方法、系统及存储介质，通过分别获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列以及风向矢量矩阵序列；计算流线方向矢量矩阵序列与风向矢量矩阵序列的叉乘值，判断叉乘值在连续一段时间T内是否随着时间逐渐变小，若叉乘值在连续一段时间T内未随着时间逐渐变小，则对连续一段时间T的风速值进行调整；相比现有技术，本发明通过提取台风的台风螺旋特征(即涡旋区域的流线方向矢量矩阵序列)约束现有的数值仿真的台风预测方法，从而实现台风初始场的优化计算，降低台风预测的不确定性，提高台风预测精度。
2、在优选方法中，本发明通过流线计算方法，巧妙的采用亮温数据，提取台风初始涡旋的螺旋特征，并以螺旋特征为约束，校正台风数值模式的初始风场，方法便捷易操作。
3、本发明通用性好，能够用于全球不同台风易发的地区，开展台风初始化和计算。
4、采用本发明技术，能够实现台风风场初始涡旋的自动调整计算，计算速度快，可进行多次校正，进一步提升台风预测准确性。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例中的台风涡旋初始风场优化方法的流程图；
图2是本发明优选实施例中的台风中心及螺旋线矢量(W)示意图(箭头长短无意义，箭头方向表征螺旋线方向)；
图3是本发明优选实施例中的数值模式中台风中心及螺旋线对于位置的风向示意图(箭头长短表征全风速大小，箭头方向表征数值模式对于螺旋线位置的风向)。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一：
如图1所示，本实施中公开了一种台风涡旋初始风场优化方法，包括以下步骤：
分别获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列以及风向矢量矩阵序列；
计算流线方向矢量矩阵序列与风向矢量矩阵序列的叉乘值，判断叉乘值在连续一段时间T内是否随着时间逐渐变小，若叉乘值在连续一段时间T内未随着时间逐渐变小，则对连续一段时间T的风速值进行调整。
此外，在本实施例中，还公开了一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
此外，在本实施例中，还公开了一种计算机存储介质，其上存储有计算机程序，程序被处理器执行时实现上述方法中的步骤。
本发明中的台风涡旋初始风场优化方法、系统及存储介质，通过分别获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列以及风向矢量矩阵序列；计算流线方向矢量矩阵序列与风向矢量矩阵序列的叉乘值，判断叉乘值在连续一段时间T内是否随着时间逐渐变小，若叉乘值在连续一段时间T内未随着时间逐渐变小，则对连续一段时间T的风速值进行调整；相比现有技术，本发明通过提取台风的台风螺旋特征(即涡旋区域的流线方向矢量矩阵序列)约束现有的数值仿真的台风预测方法，从而实现台风初始场的优化计算，降低台风预测的不确定性，提高台风预测精度。
实施例二：
实施例二是实施例一的优选实施例，其与实施例以的不同之处在于，对台风涡旋初始风场优化方法的具体步骤进行了细化：
在本实施例中，公开了一种基于涡旋重构的台风涡旋初始风场优化方法，该方法根据同步卫星相邻时刻的监测数据，提取台风螺旋特征，将螺旋特征作为约束，优化台风初始涡旋风场，将优化校正后的初始场重新放入数值模式开始预测计算，具体步骤如下：
(1)同步卫星台风监测数据筛选
根据同步卫星的监控范围，设定初始台风的监控范围，并判断台风监控范围内是否有涡旋活动，当发现有涡旋时，连续收集T时长的涡旋卫星遥感图像，其中T≥3小时。
(2)同步卫星台风螺旋特征计算
根据步骤(1)收集的同步卫星涡旋遥感图像，选取涡旋区域M，并将M划分为m×n的网格，网格划分与采用的台风数值模式初始场保持一致。每一个网格以亮温值为变量，采用ArcGis软件提取区域M的流线。重复步骤(2)，获得每一个卫星遥感图像的流线场H。
(3)流线方向矢量矩阵计算
根据步骤(2)得到的流线场，判断区域M内，每一个网格是否在流线上。当网格处于流线上时，将流线方向作为该点的数值，当不处于流线上时，该点数值为0。遍历区域M内所有网格点，得到流线方向矢量矩阵Di，获取所有时刻的流线方向矢量矩阵，获得矢量矩阵序{Di}。
其中，步骤(2)、(3)的具体步骤为：
(2.1)构建每个时刻的涡旋遥感图像中涡旋区域的流线方向矢量矩阵；
其中，连续一段时间T内任意第i时刻的任意涡旋遥感图像pi内涡旋区域的流线方向矢量矩阵Di通过以下步骤获取得到：
从涡旋遥感图像pi中提取涡旋区域mi，对涡旋区域mi进行网格划分，以亮温值为变量，分别提取涡旋区域mi内每一网格的流线场，其中，i＝1,2,3...,L,L为连续一段时间T的时刻总数；
判断每一网格是否在与其对应的流线场上，若在，将在对应流线场上的网格的流线矢量赋值为对应的流线场方向，若不在，则将不在对应流线场上的网格的流线矢量赋值为0；
基于涡旋区域mi内的每一网格的流线场方向，构建涡旋区域mi的流线方向矢量矩阵Di。
(2.2)基于每个时刻的涡旋遥感图像中涡旋区域的流线方向矢量矩阵构建连续一段时间T内的流线方向矢量矩阵序列{Di}，其中，Di为连续一段时间T内任意第i时刻的任意涡旋遥感图像pi内涡旋区域的流线方向矢量矩阵，i＝1,2,3...,L，L为连续一段时间T的时刻总数。
(4)台风数值模式风场风向计算
根据步骤(1)确定的卫星观测时刻，收集相应时刻的台风数值模式初始风场数据，计算每一个网格内的风向矢量，获得初始场风向矢量矩阵Wi，获取所有时刻的初始场风向矢量矩阵Wi,得到场风向矢量矩阵序列{Wi}。
其中，步骤(4)具体包括以下步骤：
(4.1)获取连续一段时间T内每个时刻的涡旋遥感图像对应的初始风场数据；
(4.2)基于每一时刻的涡旋遥感图像对应的初始风场数据，分别构建每一时刻的涡旋遥感图像内涡旋区域的风向矢量矩阵：
基于每一网格对应的初始风场数据计算每一网格对应的风向矢量；
基于涡旋区域mi内的每一网格的风向矢量，构建涡旋区域mi的风向矢量矩阵Wi。
(4.3)基于每一时刻的涡旋遥感图像内涡旋区域的风向矢量矩阵构建连续一段时间T内的风向矢量矩阵序列{Wi}，Wi为连续一段时间T内任意第i时刻的任意涡旋遥感图像pi的涡旋区域的风向矢量矩阵，i＝1,2,3...,L,L为连续一段时间T的时刻总数。
(5)涡旋初始场风场约束判断
根据步骤(3)得到的所有时刻流线矢量矩阵Di和步骤(4)得到的数值模式场矢量矩阵Wi，计算二者的叉乘值，记录为Si，并对于所有Si，进行排序。
Si＝Di×Wi
当Si随着时间逐渐变小，说明数值模式逐渐靠近真实观测，不需要调整，可直接开展台风数值模式计算。
当Si随着时间逐渐没有变小，则对每一个时刻逐一调整，该步骤具体包括以下步骤：
从连续一段时间T内选取所有叉乘值斜率大于0时刻(即该时刻的叉乘值比前一时刻的叉乘值大)对应的风速值作为备选调整风速值，按时刻顺序从早到晚依次选取备选调整风速值进行逐一调整，并在每次调整后更新调整后的连续一段时间T的叉乘值，若更新后的叉乘值在连续一段时间T内随着时间逐渐变小，则停止后续时刻的风速值调整。
(6)初始风场计算校正
当步骤(5)判断需要调整时，执行本步骤，具体调整过程如下：
对比需调整时刻j的流线矢量矩阵Dj和数值模式场矢量矩阵Wj，对Dj中不为0的格点(存在方向矢量)d(k,f)，计算其与Wj中对应位置的方向矢量w(k,f)的方向差Δp；
Figure BDA0003116763040000071
对Δp排序，并选取值较大的前30％进行调整。
选取待调整的数值计算网格内南北方向u(k,f)和东西方向的风速v(k,f)，按照对应流线网格的风向，调整两个风速值，调整过程满足方差和Luv最小；其中，Luv计算公式如下：
Figure BDA0003116763040000072
重复步骤(6)完成当前j时刻所有网格调整，并重复步骤(5)判断下一时刻是否需要调整。
(7)台风数值预测计算
完成步骤(5)和步骤(6)调整后，则开展台风数值计算，得到未来时刻台风预测。
实施例三：
实施例三是实施例二的优选实施例，其与实施例二不同之处在于，与具体台风场景进行了结合，包括：
(1)同步卫星台风监测数据筛选
根据同步卫星的监控范围，设定初始台风的监控范围为0°-10°N，120°-130°E，判断台风监控范围内存在涡旋活动，连续收集5个小时葵花8卫星的遥感图像。
(2)同步卫星台风螺旋特征计算
根据步骤(1)收集的同步卫星涡旋遥感图像，选取涡旋区域M，并将M划分为10×10的网格，网格划分与采用的台风数值模式初始场保持一致。每一个网格以亮温值为变量，采用ArcGis软件提取区域M的流线。重复步骤(2)，获得每一个卫星遥感图像的流线场H。
(3)流线方向矢量矩阵计算
根据步骤(2)得到的流线场，判断区域M内，每一个网格是否在流线上。当网格处于流线上时，将流线方向作为该点的数值，当不处于流线上时，该点数值为0。遍历区域M内所有网格点，得到如图2所示的流线方向矢量矩阵D，对于所有时刻，获得矢量矩阵序{Di}。
(4)台风数值模式风场风向计算
根据步骤(1)确定的卫星观测时刻，收集相应时刻的台风数值模式初始风场数据，计算每一个网格内的风向矢量，获得如图3所示的初始场风向矢量矩阵W，对于所有时刻得到W矢量矩阵序列{Wi}。
(5)涡旋初始场风场约束计算
根据步骤(3)得到的所有时刻流线矢量矩阵Di和步骤(4)得到的数值模式场矢量矩阵Wi，计算二者的叉乘值，记录为Si，并对于所有Si，进行排序。
Si＝Di×Wi
当Si随着时间逐渐变小，说明数值模式逐渐靠近真实观测，不需要调整，可直接开展台风数值模式计算。
当Si随着时间逐渐没有变小，则对每一个时刻逐一调整。
(6)初始场同化校正
当步骤(5)判断需要调整时，执行本步骤，具体调整过程如下：
对比需调整时刻j的流线矢量矩阵Dj和数值模式场矢量矩阵Wj，对Dj中不为0的格点(存在方向矢量)d(k，f)，计算其与Wj中对应位置的方向矢量w(k，f)的方向差△p
Figure BDA0003116763040000081
对△p排序，并选取值较大的前30％进行调整。
选取待调整的数值计算网格内南北方向u(k，f)和东西方向的风速v(k，f)，按照对应流线网格的风向，调整两个风速值，调整过程满足方差和Luv最小
Figure BDA0003116763040000082
其中，Luv为风速调整方差和，α为所述网格与周围网格之间的第一个坐标差值，β为所述网格与周围网格之间的第二坐标差值，u(k,f)为所述网格南北方向的风速值，u(k+α,f+β)为所述网格周围网格的南北方向的风速值,v(k,f)为所述网格东西方向的风速值，v(k+α,f+β)为所述网格周围网格的东西方向的风速值
重复步骤(6)完成当前j时刻所有网格调整，并重复步骤(5)判断下一时刻是否需要调整。
(7)台风数值计算
完成步骤(5)和步骤(6)调整后，则开展台风数值计算，得到未来时刻台风预测。
综上所述，本发明中的台风涡旋初始风场优化方法、系统及存储介质，通过分别获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列以及风向矢量矩阵序列；计算流线方向矢量矩阵序列与风向矢量矩阵序列的叉乘值，判断叉乘值在连续一段时间T内是否随着时间逐渐变小，若叉乘值在连续一段时间T内未随着时间逐渐变小，则对连续一段时间T的风速值进行调整；相比现有技术，本发明通过提取台风的台风螺旋特征(即涡旋区域的流线方向矢量矩阵序列)约束现有的数值仿真的台风预测方法，从而实现台风初始场的优化计算，降低台风预测的不确定性，提高台风预测精度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种台风涡旋初始风场优化方法，其特征在于，包括以下步骤：
分别获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列以及风向矢量矩阵序列；
计算所述流线方向矢量矩阵序列与风向矢量矩阵序列的叉乘值，判断所述叉乘值在所述连续一段时间T内是否随着时间逐渐变小，若所述叉乘值在所述连续一段时间T内未随着时间逐渐变小，则对所述连续一段时间T的风速值进行调整。
2.根据权利要求1所述的台风涡旋初始风场优化方法，其特征在于，获取待优化台风连续一段时间T内涡旋区域的流线方向矢量矩阵序列，包括以下步骤：
获取所述连续一段时间T内每个时刻的涡旋遥感图像，并构建每个时刻的涡旋遥感图像中涡旋区域的流线方向矢量矩阵，基于每个时刻的涡旋遥感图像中涡旋区域的流线方向矢量矩阵构建所述连续一段时间T内的流线方向矢量矩阵序列{Di}，其中，Di为所述连续一段时间T内任意第i时刻的任意涡旋遥感图像pi内涡旋区域的流线方向矢量矩阵，i＝1,2,3...,L,L为连续一段时间T的时刻总数。
3.根据权利要求2所述的台风涡旋初始风场优化方法，其特征在于，所述流线方向矢量矩阵Di通过以下步骤获取得到：
从所述涡旋遥感图像pi中提取涡旋区域mi，对所述涡旋区域mi进行网格划分，以亮温值为变量，分别提取所述涡旋区域mi内每一网格的流线场；
判断每一网格是否在与其对应的流线场上，若在，将在对应流线场上的网格的流线矢量赋值为对应的流线场方向，若不在，则将不在对应流线场上的网格的流线矢量赋值为0；
基于所述涡旋区域mi内的每一网格的流线场方向，构建所述涡旋区域mi的流线方向矢量矩阵Di。
4.根据权利要求1所述的台风涡旋初始风场优化方法，其特征在于，获取待优化台风连续一段时间T内涡旋区域的风向矢量矩阵序列，包括以下步骤：
获取所述连续一段时间T内每个时刻的涡旋遥感图像及对应的初始风场数据；
基于每一时刻的涡旋遥感图像对应的初始风场数据，分别构建每一时刻的涡旋遥感图像内涡旋区域的风向矢量矩阵，基于每一时刻的涡旋遥感图像内涡旋区域的风向矢量矩阵构建所述连续一段时间T内的风向矢量矩阵序列{Wi}，Wi为所述连续一段时间T内任意第i时刻的任意涡旋遥感图像pi的涡旋区域的风向矢量矩阵，i＝1,2,3...,L,L为连续一段时间T的时刻总数。
5.根据权利要求4所述的台风涡旋初始风场优化方法，其特征在于，所述连续一段时间T内任意第i时刻的任意涡旋遥感图像pi的涡旋区域的风向矢量矩阵Wi，通过以下步骤获取得到：
从所述涡旋遥感图像pi中提取涡旋区域mi，对所述涡旋区域mi进行网格划分；
基于每一网格对应的初始风场数据计算每一网格对应的风向矢量；
基于所述涡旋区域mi内的每一网格的风向矢量，构建所述涡旋区域mi的风向矢量矩阵Wi。
6.根据权利要求1所述的台风涡旋初始风场优化方法，其特征在于，则对所述连续一段时间T的风速值进行调整，包括以下步骤：
从所述连续一段时间T内选取所有叉乘值斜率大于0时刻对应的风速值作为备选调整风速值，按时刻顺序从早到晚依次选取备选调整风速值进行逐一调整，并在每次调整后更新调整后的所述连续一段时间T的叉乘值，若更新后的叉乘值在所述连续一段时间T内随着时间逐渐变小，则停止后续时刻的风速值调整。
7.根据权利要求6所述的台风涡旋初始风场优化方法，其特征在于，对于任意第j时刻的风速值的调整，包括以下步骤：
对于第j时刻的流线方向矢量矩阵Dj，分别计算所述流线方向矢量矩阵Dj中每个流线方向矢量不为0的网格的流线方向矢量与风向矢量之间的方向差；
对每个流线方向矢量不为0的网格的方向差按从大到小进行排序，选取排序靠前的、预设比例的网格风速值进行调整。
8.根据权利要求7所述的台风涡旋初始风场优化方法，其特征在于，对于任意需调整风速值的网格，均执行以下步骤：
分别计算所述网格南北方向的风速值u(k,f)和东西方向的风速值v(k,f)，按照所述网格的风向对所述网格南北方向的风速值u(k,f)和东西方向的风速值v(k,f)进行调整，直至所述南北方向u(k,f)和东西方向的风速v(k,f)满足与其周围网格之间的风速调整方差和最小；
其中，Luv计算公式如下：
Figure FDA0003724342230000021
其中，Luv为风速调整方差和，α为所述网格与周围网格之间的第一个坐标差值，β为所述网格与周围网格之间的第二坐标差值，u(k,f)为所述网格南北方向的风速值，u(k+α,f+β)为所述网格周围网格的南北方向的风速值,v(k,f)为所述网格东西方向的风速值，v(k+α,f+β)为所述网格周围网格的东西方向的风速值。
9.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现上述权利要求1至8任一方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，程序被处理器执行时实现上述权利要求1至8任一项方法中的步骤。
CN202110664499.6A 2021-06-16 2021-06-16 台风涡旋初始风场优化方法、系统及存储介质 Active CN113408123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110664499.6A CN113408123B (zh) 2021-06-16 2021-06-16 台风涡旋初始风场优化方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110664499.6A CN113408123B (zh) 2021-06-16 2021-06-16 台风涡旋初始风场优化方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN113408123A CN113408123A (zh) 2021-09-17
CN113408123B true CN113408123B (zh) 2022-08-23

Family

ID=77684157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110664499.6A Active CN113408123B (zh) 2021-06-16 2021-06-16 台风涡旋初始风场优化方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113408123B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896912B (zh) * 2022-05-31 2023-09-08 南京工业大学 一种基于合成漩涡的三维零散度脉动风场生成方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005106744A (ja) * 2003-10-01 2005-04-21 Mitsubishi Electric Corp 画像解析装置
CN111273378B (zh) * 2020-05-07 2020-08-14 南京海气智绘信息技术有限公司 一种基于风应力扰动的台风中心定位方法

Also Published As

Publication number Publication date
CN113408123A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
US20220373984A1 (en) Hybrid photovoltaic power prediction method and system based on multi-source data fusion
Nie et al. Resampling and data augmentation for short-term PV output prediction based on an imbalanced sky images dataset using convolutional neural networks
Zhang et al. Future projections of offshore wind energy resources in China using CMIP6 simulations and a deep learning-based downscaling method
Carneiro et al. Review on photovoltaic power and solar resource forecasting: current status and trends
CN104200484A (zh) 基于云团特征分析的分布式光伏系统超短期出力预测方法
JP2017200360A (ja) 太陽光発電量予測システム、太陽光発電量予測方法、プログラム
Le Guen et al. A deep physical model for solar irradiance forecasting with fisheye images
CN109242019B (zh) 一种水面光学小目标快速检测与跟踪方法
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
Paletta et al. ECLIPSE: Envisioning cloud induced perturbations in solar energy
CN112598054B (zh) 基于深度学习的输变电工程质量通病防治检测方法
CN113408123B (zh) 台风涡旋初始风场优化方法、系统及存储介质
CN111626200A (zh) 一种基于Libra R-CNN的多尺度目标检测网络和交通标识检测方法
CN110781458B (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
CN110852356B (zh) 一种移动机器人v-slam动态阈值图像特征点提取方法
CN115759435A (zh) 一种基于改进cnn-lstm的光伏发电功率预测方法
CN116524062A (zh) 一种基于扩散模型的2d人体姿态估计方法
KR20230076695A (ko) 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법
Crispim et al. Prediction of the solar radiation evolution using computational intelligence techniques and cloudiness indices
CN116029440A (zh) 光伏电站超短期功率预测方法和装置
CN115905997A (zh) 基于预测偏差优化的风电机组气象灾害预警方法及系统
CN115423810A (zh) 一种风力发电机组叶片覆冰形态分析方法
CN114139788A (zh) 海上风电机组功率预测方法及装置
CN117876349A (zh) 一种光伏发电功率的预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant